Manisa Sopia Mori mori
Universitas Ibrahimy

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

Klasifikasi Bentuk Rambut Manusia (Lurus, Keriting, Bergelombang) Menggunakan Teachable Machine Pendekatan berbasis Gambar Manisa Sopia Mori mori; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4574

Abstract

Klasifikasi bentuk rambut manusia yaitu lurus, keriting dan bergelombang, telah berhasil dikembangkan menggunakan Teachable Machine melalaui pendekatan citra digital. Bentuk rambut adalah karakreristik pembeda bologis dan sosial antara individu. Teachable Machine sebagai platform web yang disediakan oleh Google, yang mudah digunakan, memanfaatkan transfer learning untuk pengenalan pola visual. Peroses pengembanagan melibatakan penggunak citra yang telah di pra-proses, dan pelatihan model Teachable Machine diatur dengan 50 epoch, ukuran batch 15, dan laju pembelajaran 0,008. Evaluas kinerja menunjukan hasil yang sangat memuaskan dengan akurasi keseluruhan mencapai (87%) dan nilai loss yang rendah 0,004. Akurasi per katagori adalah 0,87 untuk lurus dan keriting, dan 0,81 untuk bergelombang. Prototipe model dapat diakses dan diuji secara real-time melalaui unggahan gambar setelah diekspor menggunakan fitur Cloud Shareable. Teachable Machine merupakan alat yang efektif untuk membangun sebuah sistem klasifikasi bentuk rambut yang otomatis dan memiliki akurasi tinggi. Kata Kunci:Klasifikasi, Teachable Machine, Bentuk Rambut Manusia, gambar.   The classification of human hair shapes, namely straight, curly, and wavy, has been successfully developed using Teachable Machine through a digital image approach. Hair shape is a biological and social distinguishing characteristic between individuals. Teachable Machine, as a web platform provided by Google that is easy to use, utilizes transfer learning for visual pattern recognition. The development process involves the use of pre-processed images, and the training of the Teachable Machine model is set with 50 epochs, a batch size of 15, and a learning rate of 0.008. Performance evaluation shows very satisfactory results with an overall accuracy of 87% and a low loss value of 0.004. The accuracy per category is 0.87 for straight and curly, and 0.81 for wavy. The model prototype can be accessed and tested in real-time by uploading images after being exported using the Cloud Shareable feature. Teachable Machine is an effective tool for building an automatic and high-accuracy hair shape classification system. Keywords:Classification, Teachable Machine, Human Hair Shape, image.